Identifizierung von zirkulierenden Proteinen, die myokardiale Prozesse widerspiegeln, die für das Fortschreiten der Krankheit bei Herzinsuffizienz relevant sind


Funding ID

81X1210104

Project number

1505

Institution
Universitätsmedizin der Johannes Gutenberg-Universität Mainz
Project leader
Jürgen Prochaska
Site
RheinMain
Short description

Die derzeitige Phänotypisierung des Syndroms der Herzinsuffizienz (HF) lässt noch immer eine angemessene molekulare Charakterisierung vermissen. Die Erforschung des molekularen … 

Die derzeitige Phänotypisierung des Syndroms der Herzinsuffizienz (HF) lässt noch immer eine angemessene molekulare Charakterisierung vermissen. Die Erforschung des molekularen Fingerabdrucks der HF bietet einen vielversprechenden Ansatz für phänotypisch unterschiedliche molekulare Signaturen, die die Herzfunktion und das Ergebnis vorhersagen, um neue mechanistische Erkenntnisse zu gewinnen. In der MyoVasc-Studie (NCT04064450) wurde ein gezielter Proteomik-Ansatz zur Analyse von EDTA-Plasmaproben unter Verwendung von vier Panels der Proximity-Extension-Assay-Technologie (Olink Target 96 Panels "Inflammation", "CVDII", "CVDIII" und "Cardiometabolic"; insgesamt: N=359 einzigartige proteomische Biomarker pro Probe) durchgeführt. Durch überwachte maschinelle Lernmethoden wurden spezifische proteomische Signaturen bei Personen mit HF identifiziert, die vielversprechende Ergebnisse liefern, um zu einem besseren Verständnis der molekularen Mechanismen verschiedener HF-Phänotypen (z. B. HF mit reduzierter bzw. erhaltener Ejektionsfraktion) beizutragen. Mit dem vorliegenden Projekt wollen wir periphere Blutproben und Gewebeproben von n=88 Personen mit denselben Proteinmarkern (N=359), die in der vorherigen Studie verwendet wurden, molekular charakterisieren. In Zusammenarbeit mit dem DZHB (Prof. Knosalla) wird die Gewebebank die Möglichkeit bieten, kardiale gewebespezifische Expressionsmuster und deren Zusammenhang mit dem zirkulären Proteinprofil bei Patienten mit HF zu untersuchen. Es soll analysiert werden, ob sich relevante lokale Gewebeproteinsignaturen in zirkulierenden Proteinen widerspiegeln. KI mit überwachtem maschinellem Lernen wird eingesetzt, um interessante Expressionsmuster zu entdecken. Mit Hilfe eines translationalen Ansatzes werden diese Informationen anschließend in die vorherigen Daten der MyoVasc-Daten integriert, um spezifische proteomische Signaturen zu entschlüsseln, die an der Entwicklung und dem Fortschreiten des HF-Syndroms beteiligt sind.

Project type
Daten- und Probennutzung
Funding
€ 36.980,72
Begin
01.06.2022
End
31.05.2023